View
17
Download
0
Category
Preview:
Citation preview
ISSN : 2460 – 7797 e-ISSN : 2614-8234
Website : jurnal.umj.ac.id/index.php/fbc Email : fibonacci@umj.ac.id Jurnal Pendidikan Matematika dan Matematika
117
ANALISIS REGRESI LINIER BERGANDA DALAM ESTIMASI
PRODUKTIVITAS TANAMAN PADI DI KABUPATEN KARAWANG
Tesa Nur Padilah1)*
, Riza Ibnu Adam2)
1,2)
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Singaperbangsa
Karawang, Jl. H.S. Ronggowaluyo, Telukjambe Timur, Karawang, 41361
*tesa.nurpadilah@staff.unsika.ac.id
Abstrak
Karawang merupakan salah satu pusat penanaman padi di Pulau Jawa. Sebagai pusat
penanaman padi, sudah seharusnya produktivitas padi dari tahun ke tahun mengalami
peningkatan. Namun, produktivitas padi ternyata tidak konsisten, tahun 2015 mengalami
kenaikan sedangkan tahun 2016 mengalami penurunan. Oleh karena itu, diperlukan suatu
estimasi sehingga dapat diketahui produktivitas padi untuk tahun-tahun berikutnya. Beberapa
algoritma yang dapat digunakan untuk mengestimasi hubungan antar variabel diantaranya
regresi linier, fuzzy, dan jaringan syaraf tiruan. Regresi linier terbagi menjadi regresi linier
sederhana dan regresi linier berganda. Regresi linier berganda digunakan untuk menelusuri
pola hubungan antara variabel terikat dengan dua atau lebih variabel bebas. Berdasarkan
suatu penelitian, regresi linier berganda lebih baik jika dibandingkan dengan metode fuzzy
dan jaringan syaraf tiruan. Oleh karena itu, masalah produktivitas padi di Kabupaten
Karawang dapat diestimasi dengan menggunakan analisis regresi linier berganda. Model
regresi linier berganda dapat dinyatakan dalam bentuk perkalian matriks. Selanjutnya,
perhitungan nilai-nilai koefisien regresi dapat dicari dengan menggunakan eliminasi Gauss.
Berdasarkan model regresi yang didapat, sebesar 80,46% faktor-faktor produktivitas padi
dapat dijelaskan oleh produksi, luas panen, luas tanam, curah hujan, dan hari hujan.
Sedangkan sisanya 19,54% dapat dijelaskan oleh faktor-faktor lain yang tidak diteliti dalam
penelitian ini. Variabel-variabel yang mempengaruhi peningkatan jumlah produktivitas yaitu
variabel produksi dan curah hujan, sedangkan variabel-variabel yang mempengaruhi
penurunan jumlah produktivitas yaitu variabel luas panen, luas tanam, dan hari hujan. Rata-
rata kesalahan relatif regresi yang diperoleh yaitu 0,04642 atau 4,642%.
Kata Kunci: eliminasi gauss, estimasi, produktivitas, regresi linier berganda.
FIBONACCI : Jurnal Pendidikan Matematika dan Matematika
Volume 5 No. 2 Bulan Desember Tahun 2019
118
PENDAHULUAN
Kabupaten Karawang mempunyai
potensi besar dalam subsektor pertanian
khususnya tanaman pangan baik ditinjau
dari aspek sumber daya alam maupun
sumber daya manusia. Sumber daya petani
sangat menunjang keberhasilan
pembangunan pertanian di Kabupaten
Karawang, dimana 61,9% penduduk
bergerak di bidang usaha pertanian dengan
persentase buruh tani sekitar 59,43%
(Dinas Pertanian Kehutanan Perkebunan
dan Peternakan Kabupaten Karawang,
2014). Menurut Makarim & Suhartatik
(2009), Karawang merupakan salah satu
pusat penanaman padi di Pulau Jawa.
Dengan luas areal pertanian lahan basah
mencapai 97.000 hektar, Kabupaten
Karawang mampu memproduksi padi
sekitar 1,4 juta ton GKP per tahun. Dengan
jumlah produksi padi sebesar itu,
Karawang memberikan kontribusi beras
hingga 9% dari produksi beras yang
dihasilkan provinsi Jawa Barat. Sebagai
pusat penanaman padi, sudah seharusnya
produktivitas padi dari tahun ke tahun
mengalami peningkatan.
Namun, produktivitas padi ternyata
tidak konsisten, pada tahun 2015 diketahui
produktivitas mengalami kenaikan dari
76,05 kw/ha menjadi 79,99 kw/ha,
sedangkan pada tahun 2016, produktivitas
mengalami penurunan menjadi 75,38
kw/ha. Kenaikan dan penurunan ini dapat
disebabkan oleh beberapa faktor seperti
rata-rata curah hujan, luas tanam, produksi,
luas panen, dan rata-rata hari hujan (Dinas
Pertanian Kehutanan Perkebunan dan
Peternakan Kabupaten Karawang, 2016).
Hal tersebut dapat menimbulkan
kekhawatiran jika suatu saat produktivitas
mengalami penurunan secara terus
menerus. Oleh karena itu, produktivitas
padi perlu diestimasi agar dapat
diperkirakan seberapa besar produktivitas
padi selanjutnya.
Beberapa algoritma yang dapat
digunakan untuk mengestimasi hubungan
antar variabel diantaranya regresi linier,
fuzzy, dan jaringan syaraf tiruan. Regresi
linier terbagi menjadi regresi linier
sederhana dan regresi linier berganda.
Regresi linier berganda merupakan suatu
algoritma yang digunakan untuk
menelusuri pola hubungan antara variabel
terikat dengan dua atau lebih variabel
bebas (Uyanik & Guler, 2013). Pada
penelitian Wati, Sebayang, & Sitepu
(2013) tentang peramalan jumlah produksi,
regresi linier berganda lebih baik jika
dibandingkan dengan fuzzy. Hal ini dapat
dilihat dari nilai rata-rata kesalahan relatif
regresi linier berganda sebesar 9,383%
yang lebih kecil daripada nilai rata-rata
kesalahan relatif fuzzy sebesar 20.748%.
Selanjutnya, Nurmahaludin (2014)
membandingkan algoritma Particle Swarm
Optimization (PSO) pada jaringan syaraf
tiruan dengan regresi linier berganda pada
prakiraan cuaca. Hasil pengujian
menunjukkan bahwa pada prakiraan
temperatur udara minimum, penggunaan
algoritma PSO memberikan tingkat
kesalahan paling minimum dengan rata-
rata kesalahan sebesar 2,597%, sedangkan
pada regresi linier berganda sebesar
2,675%. Akan tetapi, pada prakiraan
temperatur udara maksimum, metode
regresi linear berganda memberikan hasil
yang lebih baik dengan rata-rata kesalahan
sebesar 4.911%, sedangkan pada jaringan
syaraf tiruan sebesar 5,930%.
Analisis regresi linier berganda telah
digunakan dalam estimasi produktivitas
padi di Kabupaten Demak oleh Aziz,
Prasetyo, & Sukmono (2018). Selain itu,
pendugaan produktivitas padi dengan
analisis regresi linier berganda juga telah
Tesa Nur Padilah dan Riza Ibnu Adam: Analisis Regresi Linier Berganda Dalam Estimasi Produktivitas
Tanaman Padi di Kabupaten Karawang.
FIBONACCI : Jurnal Pendidikan Matematika dan Matematika. Vol. 5 (2), pp: 117 - 128.
119
dilakukan oleh Kurnianto, Ariffin, &
Azizah (2018) berdasarkan curah hujan di
Kabupaten Malang. Oleh karena itu, pada
penelitian ini digunakan regresi linier
berganda untuk mengestimasi
produktivitas padi di Kabupaten
Karawang.
METODE PENELITIAN
Tahapan penelitian ini adalah
sebagai berikut:
Identifikasi Variabel
Identifikasi variabel merupakan
tahapan penentuan variabel terikat dan
variabel-variabel bebas berdasarkan data
yang diperoleh dari Dinas Pertanian
Kehutanan Perkebunan dan Peternakan
Kabupaten Karawang.
Analisis Data
Pada tahap ini dilakukan pengujian
asumsi klasik dan pengujian hipotesis
(Mona, Kekenusa, & Prang, 2015).
Pengujian dilakukan dengan bantuan tools
Minitab 18 dan SPSS 16.
1. Pengujian Asumsi Klasik
Pengujian ini terdiri dari uji normalitas,
uji multikolinieritas, uji
heteroskedastisitas, dan uji
autokorelasi. Syarat untuk
mendapatkan model regresi yang baik
adalah distribusi datanya normal atau
mendekati normal. Jika data tidak
berdistribusi normal, maka perlu
dilakukan transformasi data terlebih
dahulu. Selanjutnya, model regresi
yang baik adalah model regresi yang
tidak terjadi multikolinieritas,
heteroskedastisitas, dan autokorelasi
(Ndruru, Situmorang, & Tarigan,
2014).
2. Pengujian Hipotesis
Setelah semua syarat untuk ditelitinya
suatu model regresi terpenuhi semua,
maka langkah selanjutnya untuk
mengetahui diterima atau tidaknya
hipotesis yang diajukan yaitu dengan
melakukan uji simultan (uji F) dan uji
signifikansi (uji T). Uji F dilakukan
untuk mengetahui apakah semua
variabel bebas berpengaruh secara
signifikan terhadap variabel terikat.
Sedangkan uji T dilakukan untuk
mengetahui apakah dalam model
regresi, variabel bebas secara parsial
berpengaruh signifikan terhadap
variabel terikat (Sulistyono &
Sulistiyowati, 2017).
Penentuan Model Regresi Linier
Berganda
Tahap selanjutnya adalah penentuan
koefisien atau parameter-parameter regresi
dengan metode kuadrat terkecil (Walpole,
Myers, Myers, & Ye, 2011). Pada metode
kuadrat terkecil akan diperoleh suatu
sistem persamaan linier yang dapat
dibentuk ke dalam perkalian matriks.
Perhitungan nilai koefisien regresi
dilakukan dengan menyelesaikan solusi
sistem. Solusi sistem tersebut dapat dicari
dengan menggunakan eliminasi Gauss
(Anton & Rorres, 2005). Perhitungan
dilakukan dengan bantuan tools Matlab
2016b. Selanjutnya hasil tersebut
dibandingkan dengan nilai yang diperoleh
dengan perhitungan menggunakan tools
Minitab 18. Setelah itu, kebaikan model
regresi dapat diukur dari nilai koefisien
determinasi (R2) (Widiyawati & Setiawan,
2015). Nilai koefisien determinasi berkisar
antara 0 sampai 1. Jika nilainya mendekati
1, maka dapat dikatakan pengaruh variabel
bebas terhadap variabel terikat adalah
besar. Artinya model yang digunakan baik
untuk menjelaskan pengaruh variabel
tersebut (Ndruru et al., 2014).
FIBONACCI : Jurnal Pendidikan Matematika dan Matematika
Volume 5 No. 2 Bulan Desember Tahun 2019
120
Evaluasi
Evaluasi dilakukan dengan
menghitung nilai rata-rata kesalahan relatif
(error) (Wati et al., 2013).
Penarikan Kesimpulan
Dari hasil analisis yang didapatkan
maka tahap terakhir yang dilakukan pada
penelitian ini adalah penarikan
kesimpulan.
HASIL DAN PEMBAHASAN
Identifikasi Variabel
Data yang digunakan adalah data
perbulan yang berjumlah 57 data. Variabel
terikat pada penelitian ini adalah
produktivitas padi (kw/ha). Data
produktivitas padi dihasilkan dari dua data
utama yaitu data produksi dibagi dengan
luas panen (Damiri & Ishak, n.d.).
Sedangkan variabel-variabel bebasnya
yaitu produksi, luas panen, luas tanam,
rata-rata curah hujan, dan rata-rata hari
hujan
Analisis Data
Pengujian Asumsi Klasik
1. Uji Normalitas
Uji normalitas menggunakan uji
Kolmogorov-Smirnov (K-S) dengan
bantuan tools Minitab 18. Hasil uji
normalitas untuk data produksi dapat
dilihat pada gambar berikut.
Gambar 1. Uji normalitas data produksi
Hasil uji normalitas untuk data luas
panen dapat dilihat pada gambar
berikut.
Gambar 2. Uji normalitas data luas panen
Hasil uji normalitas untuk data luas
tanam dapat dilihat pada gambar
berikut.
Gambar 3. Uji normalitas data luas tanam
Hasil uji normalitas untuk data rata-
rata curah hujan dapat dilihat pada
gambar berikut.
Gambar 4. Uji normalitas data rata-rata
curah hujan
Tesa Nur Padilah dan Riza Ibnu Adam: Analisis Regresi Linier Berganda Dalam Estimasi Produktivitas
Tanaman Padi di Kabupaten Karawang.
FIBONACCI : Jurnal Pendidikan Matematika dan Matematika. Vol. 5 (2), pp: 117 - 128.
121
Hasil uji normalitas untuk data rata-
rata hari hujan dapat dilihat pada
gambar berikut.
Gambar 5. Uji normalitas data rata-
rata hari hujan
Berdasarkan Gambar 1, 2, 3, 4,
dan 5, nilai P-Value untuk data
produksi, luas panen, luas tanam, rata-
rata curah hujan, dan rata-rata hari
hujan masing-masing adalah >0,150;
0,110; >0,150; <0,010; dan 0,035. Data
berdistribusi normal jika nilai P-Value
lebih dari 0,05. Ini berarti variabel
produksi, luas panen, dan luas tanam
berdistribusi normal, sedangkan
variabel rata-rata curah hujan dan rata-
rata hari hujan tidak berdistribusi
normal.
Pada data yang tidak
berdistribusi normal dilakukan
transformasi Box-Cox. Kemudian pada
data hasil transformasi tersebut
dilakukan uji normalitas, hasilnya
sebagai berikut.
Gambar 6. Uji normalitas data hasil
transformasi
Berdasarkan Gambar 6, P-Value
untuk data transformasi curah hujan
dan transformasi hari hujan keduanya
bernilai >0,150. Ini berarti kedua
variabel tersebut berdistribusi normal.
Dengan demikian, data yang akan
digunakan selanjutnya adalah variabel
produksi, luas panen, luas tanam,
transformasi curah hujan, dan
transformasi hari hujan.
2. Uji Multikolinieritas
Pengujian ada tidaknya
multikolinieritas dilakukan dengan
melihat nilai VIF menggunakan tools
Minitab 18 pada gambar berikut.
Gambar 7. Nilai coefficients
Berdasarkan Gambar 7 terlihat
bahwa semua variabel bebas
mempunyai nilai VIF kurang dari 10,
artinya tidak terjadi kasus
multikolinieritas.
FIBONACCI : Jurnal Pendidikan Matematika dan Matematika
Volume 5 No. 2 Bulan Desember Tahun 2019
122
3. Uji Heteroskedastisitas
Pengujian heteroskedastisitas
dilakukan dengan uji Glejser
menggunakan tools SPSS 16 sebagai
berikut.
Gambar 8. Hasil uji glejser
Berdasarkan Gambar 8, diperoleh
nilai signifikansi untuk variabel
produksi, luas panen, luas tanam,
transformasi curah hujan, dan
transformasi hari hujan masing-masing
0,029; 0,015; 0,404; 0,394; dan 0,266.
Nilai-nilai tersebut lebih dari 0,01
sehingga tidak terdapat
heteroskedastisitas dalam model. Ini
berarti semua variabel bebas dalam
model ini memiliki sebaran varian
yang sama (homogen).
4. Uji Autokorelasi
Pengujian autokorelasi dilakukan
dengan uji Durbin Watson (DW)
menggunakan tools Minitab 18. Nilai
statistik uji Durbin Watson diperoleh
. Berdasarkan tabel
Durbin Watson dengan derajat
kepercayaan , banyaknya
sampel , dan banyaknya
variabel bebas diperoleh nilai
Durbin Lower dan
Durbin Upper . Oleh
karena nilai lebih besar daripada
dan lebih kecil daripada
, atau
maka tidak terdapat autokorelasi positif
dan negatif dalam model.
Pengujian Hipotesis
1. Uji Simultan (Uji F)
Hasil pengolahan data untuk uji F
dengan tools SPSS 16 disajikan dalam
tabel berikut.
Tabel 1. Uji simultan (uji f)
Model
Sum of
Squares df
Mean
Square F Sig.
1 Regre
ssion
13364.2
57 5 2672.851
41.
990 .000
a
Resid
ual
3246.37
4 51 63.654
Total 16610.6
31 56
Tesa Nur Padilah dan Riza Ibnu Adam: Analisis Regresi Linier Berganda Dalam Estimasi Produktivitas
Tanaman Padi di Kabupaten Karawang.
FIBONACCI : Jurnal Pendidikan Matematika dan Matematika. Vol. 5 (2), pp: 117 - 128.
123
Hipotesis awal dan hipotesis
alternatif pada uji F adalah:
H0 : variabel produksi, luas panen, luas
tanam, transformasi curah hujan, dan
transformasi hari hujan tidak
mempunyai pengaruh yang signifikan
secara bersama-sama terhadap variabel
produktivitas.
H1 : variabel produksi, luas panen, luas
tanam, transformasi curah hujan, dan
transformasi hari hujan mempunyai
pengaruh yang signifikan secara
bersama-sama terhadap variabel
produktivitas.
Berdasarkan Tabel 1, dapat
diketahui bahwa nilai Fhitung adalah
2672.851 dan Ftabel dengan derajat
kebebasan , untuk dan
dan derajat kepercayaan
adalah 2,40. Dengan
demikian, Fhitung > Ftabel sehingga H0
ditolak, artinya variabel produksi, luas
panen, luas tanam, transformasi curah
hujan, dan transformasi hari hujan
secara bersama-sama mempunyai
pengaruh yang signifikan terhadap
variabel produktivitas.
2. Uji Signifikansi (Uji T)
Hasil pengolahan data untuk uji
T dengan tools Minitab 18 dapat dilihat
dari nilai T-Value pada Gambar 7.
Hipotesis awal dan hipotesis alternatif
pada uji T adalah:
H0 : secara parsial tidak ada pengaruh
signifikan variabel produksi, luas
panen, luas tanam, transformasi curah
hujan, atau transformasi hari hujan
terhadap variabel produktivitas.
H1 : secara parsial terdapat pengaruh
signifikan variabel produksi, luas
panen, luas tanam, transformasi curah
hujan, atau transformasi hari hujan
terhadap variabel produktivitas.
Nilai Ttabel dengan derajat
kebebasan 51 dan derajat
kepercayaan untuk uji dua sisi
sehingga adalah 2,00758.
Dengan demikian, untuk:
a) Variabel Produksi
Berdasarkan Gambar 7 diperoleh
nilai T-Value = 14,45 dan P-Value
= 0,000 sehingga T-Value > Ttabel
(14,45 > 2,00758) dan P-Value <
0,05, artinya H0 ditolak. Dengan
demikian, variabel produksi secara
parsial berpengaruh signifikan
terhadap variabel produktivitas.
b) Variabel Luas Panen
Berdasarkan Gambar 7 diperoleh
nilai T-Value = -13,04 dan P-Value
= 0,000 sehingga T-Value < -Ttabel
(-13,04 < -2,00758) dan P-Value <
0,05, artinya H0 ditolak. Dengan
demikian, variabel luas panen
secara parsial berpengaruh
signifikan terhadap variabel
produktivitas.
c) Variabel Luas Tanam
Berdasarkan Gambar 7 diperoleh
nilai T-Value = -0,59 dan P-Value
= 0,559 sehingga T-Value > -Ttabel
(-0,59 > -2,00758) dan P-Value >
0,05, artinya H0 diterima. Dengan
demikian, variabel luas tanam
secara parsial tidak berpengaruh
signifikan terhadap variabel
produktivitas.
d) Variabel Transformasi Curah Hujan
Berdasarkan Gambar 7 diperoleh
nilai T-Value = 0,65 dan P-Value =
0,518 sehingga T-Value < Ttabel
(0,65 < 2,00758) dan P-Value >
0,05, artinya H0 diterima. Dengan
demikian, variabel transformasi
FIBONACCI : Jurnal Pendidikan Matematika dan Matematika
Volume 5 No. 2 Bulan Desember Tahun 2019
124
curah hujan secara parsial tidak
berpengaruh signifikan terhadap
variabel produktivitas.
e) Variabel Transformasi Hari Hujan
Berdasarkan Gambar 7 diperoleh
nilai T-Value = -0,93 dan P-Value
= 0,357 sehingga T-Value > -Ttabel
(-0,93 > -2,00758) dan P-Value >
0,05, artinya H0 diterima. Dengan
demikian, variabel transformasi
hari hujan secara parsial tidak
berpengaruh signifikan terhadap
variabel produktivitas.
Penentuan Model Regresi Linier
Berganda
Perhitungan nilai koefisien regresi
dan dilakukan dengan
menyelesaikan solusi sistem persamaan
linier berikut.
(1)
dengan
[
]
[
]
.
Solusi persamaan (1) menggunakan
eliminasi Gauss dengan bantuan tools
Matlab 2016b diperoleh nilai berikut:
sehingga diperoleh persamaan regresi
linier berganda yaitu
Hasil tersebut sama dengan hasil
perhitungan dengan bantuan tools Minitab
18 pada gambar berikut.
Tesa Nur Padilah dan Riza Ibnu Adam: Analisis Regresi Linier Berganda Dalam Estimasi Produktivitas
Tanaman Padi di Kabupaten Karawang.
FIBONACCI : Jurnal Pendidikan Matematika dan Matematika. Vol. 5 (2), pp: 117 - 128.
125
Gambar 9. Model regresi linier berganda
Persamaan regresi pada Gambar 9
dapat diartikan sebagai berikut:
1. Nilai koefisien untuk variabel produksi
bernilai positif sebesar 0,000504. Hal
ini menunjukkan bahwa dengan
mengasumsikan diabaikannya variabel
bebas lainnya, jika variabel produksi
meningkat sebesar 1% maka dapat
mempengaruhi peningkatan jumlah
produktivitas sebesar 0,000504.
2. Nilai koefisien untuk variabel luas
panen bernilai negatif sebesar -
0,004074. Hal ini menunjukkan bahwa
dengan mengasumsikan diabaikannya
variabel bebas lainnya, jika variabel
luas panen meningkat sebesar 1%
maka dapat mempengaruhi penurunan
jumlah produktivitas sebesar 0,004074.
3. Nilai koefisien untuk variabel luas
tanam bernilai negatif sebesar -
0,000084. Hal ini menunjukkan bahwa
dengan mengasumsikan diabaikannya
variabel bebas lainnya, jika variabel
luas tanam meningkat sebesar 1%
maka dapat mempengaruhi penurunan
jumlah produktivitas sebesar 0,000084.
4. Nilai koefisien untuk variabel
transformasi curah hujan bernilai
positif sebesar 1,11. Hal ini
menunjukkan bahwa dengan
mengasumsikan diabaikannya variabel
bebas lainnya, jika variabel
transformasi curah hujan meningkat
sebesar 1% maka dapat mempengaruhi
peningkatan jumlah produktivitas
sebesar 1,11.
5. Nilai koefisien untuk variabel
transformasi hari hujan bernilai negatif
sebesar -2,21. Hal ini menunjukkan
bahwa dengan mengasumsikan
diabaikannya variabel bebas lainnya,
jika variabel transformasi hari hujan
meningkat sebesar 1% maka dapat
mempengaruhi penurunan jumlah
produktivitas sebesar 2,21.
Dengan demikian, variabel-variabel
yang mempengaruhi peningkatan jumlah
produktivitas yaitu variabel produksi dan
curah hujan, sedangkan variabel-variabel
yang mempengaruhi penurunan jumlah
produktivitas yaitu variabel luas panen,
luas tanam, dan hari hujan.
Nilai koefisien determinasi (R2) dari
persamaan regresi pada Gambar 5 dapat
dilihat pada gambar berikut.
Gambar 10. Nilai koefisien determinasi
Berdasarkan Gambar 10, diperoleh
nilai koefisien determinasi adalah 80,46%,
artinya sebesar 80,46% faktor-faktor
produktivitas padi dapat dijelaskan oleh
produksi, luas panen, luas tanam,
transformasi curah hujan, dan transformasi
hari hujan. Sedangkan sisanya 19,54%
dapat dijelaskan oleh faktor-faktor lain
yang tidak diteliti dalam penelitian ini.
Evaluasi
Jika masing-masing variabel
produksi, luas panen, luas tanam,
transformasi curah hujan, dan transformasi
hari hujan dimasukkan ke dalam
persamaan pada Gambar 9, maka diperoleh
estimasi produktivitas padi pada tabel
berikut.
FIBONACCI : Jurnal Pendidikan Matematika dan Matematika
Volume 5 No. 2 Bulan Desember Tahun 2019
126
Tabel 2. Estimasi produktivitas padi
Produktivitas
(kw/ha)
Estimasi
Produktivitas
(kw/ha)
Kesalahan
Relatif
60,45454545 76,67245907 0,26826624
61,16564968 68,93625235 0,127041938
68,69033413 65,69505135 0,043605593
116,2621284 139,5700058 0,200476954
47,34344565 40,66201206 0,141126897
140,1493931 101,6925244 0,27439911
71,33149226 75,9759457 0,065110841
61,82746099 62,05998478 0,00376085
0 10,35852338 0
53,65478441 51,72115949 0,036038257
83,94207478 83,48761065 0,005414021
103,0324544 84,23115855 0,182479355
79,62636222 77,92902637 0,021316255
74,25297114 76,71594087 0,033169982
75,20626368 74,81795475 0,005163253
85,45202463 86,55549765 0,012913363
67,53807359 60,27226549 0,10758092
68,17257127 71,58691885 0,05008389
78,06092008 78,72338739 0,008486542
74,71327674 77,90340034 0,042698216
72,77268533 76,20163115 0,047118583
78,6872087 78,68168017 0,00007026
77,55928854 76,28513064 0,016428179
79,14755027 78,86777128 0,003534904
79,33121019 79,83719786 0,006378166
83,43157045 81,32954343 0,025194624
71,90856074 72,3141517 0,005640371
76,60578481 72,86696182 0,048806014
76,02013247 74,33465417 0,022171473
72,31965849 74,31372465 0,027572948
74,02594011 76,3806686 0,031809505
76,938832 75,99424716 0,012277088
78,62437077 78,11368064 0,006495316
80,2667378 81,3385099 0,013352631
73,78396096 71,44116329 0,031752127
77,64129269 77,76509277 0,001594513
74,9132948 77,51871492 0,034779142
70,16465423 79,0325661 0,126387167
71,91062403 71,28957311 0,008636428
77,48700415 76,19303735 0,016699146
Produktivitas
(kw/ha)
Estimasi
Produktivitas
(kw/ha)
Kesalahan
Relatif
75,48187322 71,27566172 0,05572479
77,03693495 78,28622568 0,016216776
76,79296346 80,26774954 0,045248756
114,7587393 109,9638655 0,04178221
80,04011768 82,12019434 0,025987926
81,9900295 84,11745927 0,02594742
80,97911833 82,42906923 0,017905244
62,26787182 67,70460636 0,087312034
78,78838174 78,11248054 0,008578691
76,40870617 78,47077485 0,026987353
76,00047136 76,31715479 0,004166861
77,09120013 76,38781955 0,009124006
76,54638755 75,00880613 0,020086923
75,14425361 70,95420143 0,055760115
74,58220797 76,27300776 0,022670283
75,00818087 72,54490382 0,032840112
76,12150453 73,55476976 0,033718918
Jumlah 2,64588948
Berdasarkan Tabel 2 diperoleh rata-
rata kesalahan relatif regresi yaitu
atau .
SIMPULAN
Berdasarkan model regresi yang
didapat, sebesar 80,46% faktor-faktor
produktivitas padi dapat dijelaskan oleh
produksi, luas panen, luas tanam, curah
hujan, dan hari hujan. Sedangkan sisanya
19,54% dapat dijelaskan oleh faktor-faktor
lain yang tidak diteliti dalam penelitian ini.
Variabel-variabel yang mempengaruhi
peningkatan jumlah produktivitas padi
yaitu variabel produksi dan curah hujan,
sedangkan variabel-variabel yang
mempengaruhi penurunan jumlah
produktivitas yaitu variabel luas panen,
luas tanam, dan hari hujan. Rata-rata
Tesa Nur Padilah dan Riza Ibnu Adam: Analisis Regresi Linier Berganda Dalam Estimasi Produktivitas
Tanaman Padi di Kabupaten Karawang.
FIBONACCI : Jurnal Pendidikan Matematika dan Matematika. Vol. 5 (2), pp: 117 - 128.
127
kesalahan relatif regresi yang diperoleh
yaitu atau .
UCAPAN TERIMA KASIH
Penulis mengucapkan terima kasih kepada
Universitas Singaperbangsa Karawang
sebagai penyandang dana dalam penelitian
ini.
DAFTAR PUSTAKA
Anton, H., & Rorres, C. 2005. Elementary
Linear Algebra (9th
ed.). New
York: John Wiley and Sons.
Aziz, K.W., Prasetyo, Y., & Sukmono, D.
2018. “Analisis regresi linier
terhadap pola histogram spektral
algoritma ndvi, evi, dan lswi untuk
mengestimasi tingkat produktivitas
padi (studi kasus: kabupaten
demak, jawa tengah)”. Jurnal
Geodesi Undip. Vol. 7 (1), pp: 172-
181.
Damiri, A., & Ishak, A. n.d. Perbandingan
Produktivitas Padi Sawah dengan
Beberapa Model Plot Ubinan pada
Sistem Tanam Legowo 4:1.
[Online] Tersedia:
http://bengkulu.litbang.pertanian.go
.id/ind/images/dokumen/publikasi/
Makalah_Ubinan.pdf [21 Agustus
2018].
Dinas Pertanian Kehutanan Perkebunan
dan Peternakan Kabupaten
Karawang. 2014. Laporan tahunan
tahun 2014. Karawang: Penulis.
_____________. 2016. Laporan tahunan
tahun 2016. Karawang: Penulis.
Kurnianto, M. I., Ariffin, & Azizah, N.
2018. “Pendugaan produktivitas
padi (oryza sativa) berdasarkan
curah hujan di kabupaten malang”.
Jurnal Produksi Tanaman, Vol. 6
(8), pp: 1859-1867.
Makarim, A. K., & Suhartatik, E. 2009.
Morfologi dan Fisiologi Tanaman
Padi. [Online] Tersedia:
http://www.litbang.pertanian.go.id/
special/padi/bbpadi_2009_itkp_11.
pdf [21 September 2018].
Mona, M. G., Kekenusa, J. S., & Prang, J.
D. 2015. “Penggunaan regresi
linear berganda untuk menganalisis
pendapatan petani kelapa, studi
kasus: petani kelapa di desa beo,
kecamatan beo, kabupaten talaud”.
JdC. Vol. 4 (2), pp: 196-203.
Ndruru, R. E., Situmorang, M., & Tarigan,
G. 2014. “Analisa faktor-faktor
yang mempengaruhi hasil produksi
padi di deli serdang”. Saintia
Matematika. Vol. 2 (1), pp: 71-83.
Nurmahaludin. 2014. “Analisis
perbandingan metode jaringan
syaraf tiruan dan regresi linear
berganda pada prakiraan cuaca”.
Intekna. Vol. 14 (2), pp: 102-109.
Sulistyono & Sulistiyowati, W. 2017.
“Peramalan produksi dengan
metode regresi linier berganda”.
Prozima. Vol. 1 (2), pp: 82-89.
Uyanik, G. K., & Guler, N. 2013. “A study
on multiple linear regression
analysis”. Procedia-Social and
Behavioral Science. Vol. 106, pp:
234-240.
Walpole, R. E., Myers, R. H., Myers, S. L.,
& Ye, K. 2011. Probability &
Statistics for Engineers & Scientists
(9th
ed.). USA: Prentice Hall.
Wati, S. E., Sebayang, D., & Sitepu, R.
2013. “Perbandingan metode fuzzy
dengan regresi linier berganda
dalam peramalan jumlah produksi”.
Saintia Matematika. Vol. 1 (3), pp:
273-284.
FIBONACCI : Jurnal Pendidikan Matematika dan Matematika
Volume 5 No. 2 Bulan Desember Tahun 2019
128
Widiyawati & Setiawan. 2015. “Analisis
faktor-faktor yang mempengaruhi
tingkat produksi padi dan jagung di
kabupaten lamongan”. Jurnal Sains
dan Seni ITS. Vol. 4 (1), pp: 103-
108.
Recommended